[论文解读] Privid: Practical, Privacy-Preserving Video Analytics Queries

Frank Cangialosi, Neil Agarwal+5 more|arXiv (Cornell University)|Jun 22, 2021

Privacy-Preserving Technologies in Data参考文献 27被引用 5

一句话总结

Privid 引入了 $(\rho,K,\epsilon)$-事件持续时间隐私，这是一种用于视频分析的新颖差分隐私模型，可保护在 $K$ 次实例中总可见时间少于 $\rho$ 秒的个体，从而实现实用的隐私保护查询，而无需完美检测私密内容。该系统在各种视频工作负载中，相对于非私有分析实现了 79–99% 的准确率。

ABSTRACT

Analytics on video recorded by cameras in public areas have the potential to fuel many exciting applications, but also pose the risk of intruding on individuals' privacy. Unfortunately, existing solutions fail to practically resolve this tension between utility and privacy, relying on perfect detection of all private information in each video frame--an elusive requirement. This paper presents: (1) a new notion of differential privacy (DP) for video analytics, $(ρ,K,ε)$-event-duration privacy, which protects all private information visible for less than a particular duration, rather than relying on perfect detections of that information, and (2) a practical system called Privid that enforces duration-based privacy even with the (untrusted) analyst-provided deep neural networks that are commonplace for video analytics today. Across a variety of videos and queries, we show that Privid achieves accuracies within 79-99% of a non-private system.

研究动机与目标

• 为解决现有隐私保护视频分析方法在每帧中均需完美检测所有私密信息的不切实际性。
• 通过聚焦于可见时间的持续时间而非私密内容的空间检测，将隐私定义与执行解耦。
• 设计一个实用的系统，支持在存在不可信分析员和预训练深度学习模型的情况下，处理现实世界的视频分析工作负载。
• 提供一种强大且灵活的隐私保障，即使私密信息无法完全检测，该保障依然有效。
• 在确保个体无法在帧间被识别或追踪的同时，支持高可用性的分析。

提出的方法

• 提出 $(\rho,K,\epsilon)$-事件持续时间隐私，一种新的差分隐私公式，其中任何在 $K$ 次出现中总可见时间少于 $\rho$ 秒的事件，均以 $\epsilon$-DP 方式受到保护。
• 设计一种系统架构，将视频分割为时间片段，根据个体可能影响的片段数量向查询结果添加噪声，并在无需了解私密内容的情况下强制执行隐私保护。
• 使用掩码技术通过排除非私密区域的分析，降低有效 $\rho$ 边界，从而减少噪声并提高准确率。
• 对经过掩码和分片处理的视频数据的中间结果应用差分隐私聚合原原子（例如，SUM、UNION、ARGMAX）。
• 采用参数扫描策略，在时间粒度、准确率和噪声之间取得平衡，受隐私预算 $\epsilon$ 以及 $\rho,K$ 边界的指导。
• 通过调整片段大小并跨片段保留轨迹状态，支持持久查询和状态查询。

实验结果

研究问题

• RQ1 能否设计一种隐私保护的视频分析系统，其不依赖于在每帧中完美检测私密内容？
• RQ2 如何通过聚焦于私密事件的时间持续时间而非空间检测，将差分隐私适配于视频分析？
• RQ3 在基于持续时间的隐私保护下，实用的视频分析系统中，时间分辨率、准确率和噪声之间的权衡如何？
• RQ4 此类系统能否在保护隐私的同时，支持复杂的真实世界查询（例如，多摄像头连接、状态化轨迹计数）？
• RQ5 对 $\rho$、$K$ 和 $\epsilon$ 的选择如何影响分析结果的准确率和实用性？

主要发现

• Privid 在一系列真实世界的视频分析工作负载中，实现了与非私有基线 79–99% 的查询准确率。
• 系统的噪声添加基于个体可能影响的片段数量，确保在 $(\rho,K)$ 边界下满足 $\epsilon$-DP。
• 增大查询窗口大小可减少每条结果所需的噪声量，从而提高准确率，尤其在长期聚合中表现更优。
• 通过掩码处理非私密区域（例如，交通灯、树木）可降低有效 $\rho$ 边界，从而实现更高的准确率和更精细的时间分辨率。
• 与为隐私保护添加的噪声相比，视频分片和掩码对准确率的影响较小，原始数据的整体趋势得以保持。
• 该系统支持复杂查询，包括多摄像头连接、状态化轨迹计数以及对非私密对象的聚合，且准确率较高。